Perplexity: Embed V1 0.6B

Perplexity: Embed V1 0.6B est un modèle d'embedding de texte de Perplexity, publié le 16 mars 2026. Il appartient à la famille pplx-embed-v1, que Perplexity décrit comme des modèles d'embedding de texte de pointe conçus pour la recherche à l'échelle du web en conditions réelles. La variante à 0,6 milliard de paramètres cible les usages légers et à faible latence, ce qui en fait l'option la plus petite de la famille plutôt que la plus grande.

Le modèle prend du texte en entrée et renvoie des embeddings en sortie, il ne génère donc pas de prose ni de réponses de chat. Il est optimisé pour la recherche dense de texte standard, qui est le schéma courant derrière la recherche sémantique et la correspondance par similarité. La fenêtre de contexte est de 32 000 tokens, et la sortie maximale est indiquée à 28 800. Seule l'entrée texte est prise en charge, et aucun paramètre de requête au-delà des bases n'est documenté pour ce modèle.

Comme le modèle produit des embeddings denses pour la recherche, les cas d'usage naturels sont la recherche sémantique sur des collections de documents, les pipelines de génération augmentée par recherche où vous devez récupérer des passages pertinents avant de les transmettre à un modèle de chat, la déduplication ou le regroupement de texte, et les systèmes de recommandation ou de correspondance qui classent les éléments par sens plutôt que par recouvrement de mots-clés. La taille de 0,6 milliard de paramètres et l'accent mis sur la faible latence conviennent aux charges de travail où vous calculez des embeddings pour de grands volumes de texte, comme l'indexation d'un corpus à l'échelle du web ou la gestion d'un débit de requêtes élevé, et le contexte de 32 000 tokens signifie que vous pouvez calculer l'embedding de documents assez longs en une seule requête au lieu de les découper en petits fragments.

Vous appelez le modèle via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "perplexity/pplx-embed-v1-0.6b". Comme l'interface suit le format d'embeddings d'OpenAI, vous envoyez votre texte en entrée et recevez un vecteur en retour, et les bibliothèques clientes OpenAI existantes fonctionnent sans modification une fois que vous les pointez vers l'URL de base d'api14 et définissez cet identifiant de modèle. La liste des paramètres pris en charge pour ce modèle est vide, prévoyez donc d'envoyer uniquement les champs requis et évitez de vous appuyer sur des réglages optionnels tels que les substitutions de dimensions ou de format d'encodage.

Si votre tâche est la génération de texte, le résumé ou la conversation plutôt que la recherche, un modèle d'embeddings n'est pas le bon outil et un modèle de chat ou de complétion conviendra mieux. De même, si vous avez besoin d'embeddings multimodaux sur des images ou de l'audio, ce modèle n'accepte que le texte. Dans le cadre du travail de recherche, le principal compromis est la taille de 0,6 milliard de paramètres : il est conçu pour un service léger et à faible latence, donc si vous constatez une qualité de recherche insuffisante sur un corpus exigeant, un modèle d'embedding plus grand peut mériter d'être envisagé.